[发明专利]一种基于TI‑SPCA的人脸自动对齐及识别方法

说明书

技术领域

本发明属于模式识别技术领域，特别涉及一种基于对称主成分分析的对平面内旋转鲁棒的自动人脸对齐及识别方法。

背景技术

人脸识别作为计算机视觉领域的重要研究方向之一，在近几十年已取得了显著的进步。一个完整的人脸识别系统包括三个部分：人脸检测、人脸对齐、人脸识别。然而，人脸检测后得到的人脸图像往往存在着空间上的未对齐，比如旋转、尺度变化以及偏转等。为了减缓其对识别率的负面影响，许多人脸识别方法都致力于提高对于图像未对齐情况下算法的鲁棒性。然而，这些方法需要增加大量的训练样本，在未对齐情况下却依然很难取得理想的识别结果。此外，还有一些研究通过标定点算法实现人脸对齐，例如人眼坐标或者轮廓关键点。但是，此类方法容易受人为因素或者外界环境干扰。例如：人为参与具有一定的主观性，很小的标定差距就可能导致较大的误差；当测试对象配戴了眼镜等干扰物时容易出现人眼定位失败的情况等。

对称主成分分析(SPCA)是一种利用了人脸对称的自然特性以及数学中奇偶分解原理的方法。SPCA首先引入镜像变换，生成镜像样本；然后根据奇偶分解原理，生成奇偶对称样本，并分别对奇偶样本进行PCA变换，取得镜像奇偶对称特征分量；最后，根据选择性集成思想，依据奇偶特征所含信息量的不同进行特征选择，构成特征空间。SPCA巧妙地利用镜像样本，扩大样本容量，从而有助于识别率的提高。尤其是一些小样本场合，该方法非常具有价值。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种针对平面内旋转鲁棒的基于TI-SPCA的人脸自动对齐及识别方法。本发明的技术方案如下：

一种基于TI-SPCA的人脸自动对齐及识别方法，其包括以下步骤：

101、获取人脸图像的训练集，根据训练集中的训练样本生成相应的人脸镜像图像I_m，再利用数学中的奇偶分解原理，将人脸图像I分解为I＝I_e+I_o，其中，I_e＝(I+I_m)/2是偶对称人脸，I_o＝(I-I_m)/2是奇对称人脸，I_m为I的镜像图像；

102、在步骤101的基础之上，采用对称主成分分析法SPCA分别对奇偶对称图像进行处理，再根据特征值大小选取其对应的特征向量，形成初始特征空间；

103、利用步骤102的初始特征空间初始化下一阶段的迭代学习，将训练图像和特征向量分别表示为I(x)和φ_j(x)，设扭曲函数为W(x；p)，则可将旋转后的图像表示为其中x＝(x₀,y₀)^T表示像素坐标形成的向量，p＝(p₁,…,p_n)^T是扭曲参数组成的向量，u(x)为模板图像，φ_j(x)为特征向量，λ_j为编码参数，e(x)为误差；

104、在步骤103的基础之上，对于输入人脸图像，结合同时反向合成算法SIC交替迭代更新扭曲参数和编码参数，使得重构图像和扭曲图像之间的误差最小化，以此来学习TI-SPCA的特征空间，即最小化最终得到一个旋转不变的特征空间。

进一步的，所述步骤102对奇偶对称图像分别进行PCA分解，根据特征值大小选取相应的特征向量形成特征空间具体包括：将原始图像投影到低维特征空间，则人脸图像可表示为：

其中，u为平均脸，λ＝(λ₁,…,λ_m)^T为编码参数，φ₁,…,φ_m为特征向量，e为噪声成分。

进一步的，所述步骤104中通过交替迭代优化{u,φ_j}和{pⁱ,λⁱ}实现误差最小的具体方法为：

A、最小化重构图像和扭曲图像之间的误差也就等同于最小化公式(1)：

B、根据公式(1)，利用步骤102中学习得到的特征空间初始化TI-SPCA的训练阶段，即固定结合SIC算法优化SIC算法本质上是利用高斯牛顿梯度下降算法同时优化扭曲参数pⁱ和编码参数λⁱ，通过多次迭代不断更新扭曲参数和编码参数：

C、根据公式(2)，进行一阶泰勒展开：